AI Agent工作流编排：ReAct模式深度解析与实现

引言

大语言模型虽然具备强大的推理能力，但面对复杂任务时，如果仅依赖一次性的输入输出，往往难以保证答案的准确性和可靠性。如何让模型像人类一样"先思考、再行动、再观察、再调整"？ReAct（Reasoning + Acting）模式给出了一种优雅的解决方案。本文将深入解析 ReAct 的核心机制，并带你从零实现一个基于 ReAct 的 AI Agent。

一、ReAct 模式概述

ReAct 是由普林斯顿大学和 Google 的研究者在 2022 年提出的一个框架，其核心思想是将**推理（Reasoning）与行动（Acting）**交替进行，形成一个循环迭代的工作流。

与传统的 Chain-of-Thought（CoT，思维链）仅让模型展示推理过程不同，ReAct 让模型在推理过程中主动决定是否需要采取行动，获取外部信息后再继续推理。这种设计让 Agent 能够：

• 分解复杂任务，逐步解决
• 在知识不足时主动查询外部工具
• 根据行动结果动态调整后续策略
• 避免"幻觉"，提升答案可信度

二、ReAct 的核心循环：思考-观察-行动

ReAct 的工作流可以抽象为一个不断循环的三阶段模式：

┌─────────┐    ┌─────────┐    ┌─────────┐
│  Thought │ → │  Action  │ → │ Observation │ → (循环)
│  (思考)  │    │  (行动)  │    │  (观察)     │
└─────────┘    └─────────┘    └─────────┘

2.1 思考（Thought）

模型分析当前状态，判断是否需要外部信息。典型的思考内容可能是：

• "用户问的是 2024 年诺贝尔物理学奖得主，我的知识截止日期是 2024 å¹´ 4 月，我需要搜索最新信息"
• "上一步计算结果是 42，接下来我需要验证这个结果是否正确"

2.2 行动（Action）

如果思考后决定需要外部信息，模型输出一个结构化的行动指令，通常包含两部分：

• Action：要执行的操作名称（如 search、calculate、lookup）
• Action Input：操作所需的参数

2.3 观察（Observation）

执行行动后，将结果以 Observation 的形式回传给模型。模型基于这个观察结果进入下一轮思考，决定继续行动还是给出最终答案。

这个循环会持续进行，直到模型认为已经获取了足够信息，输出 Final Answer 结束任务。

三、实战：从零实现 ReAct Agent

下面我们用 Python 从零实现一个支持 ReAct 模式的 Agent。为了简化，我们提供两个工具：search（搜索）和 calculate（计算）。

3.1 定义工具

import re

def search(query: str) -> str:
    """模拟搜索工具（实际项目中可接入 Bing/Google Search API）"""
    knowledge_base = {
        "2024年诺贝尔物理学奖": "2024年诺贝尔物理学奖授予了约翰·霍普菲尔德（John Hopfield）和杰弗里·辛顿（Geoffrey Hinton），以表彰他们在人工神经网络和机器学习领域的开创性贡献。",
        "爱因斯坦出生地": "爱因斯坦出生于德国乌尔姆市。",
        "Python发明者": "Python 由 Guido van Rossum 于 1991 年发明。"
    }
    return knowledge_base.get(query, f"未找到关于'{query}'的信息。")

def calculate(expression: str) -> str:
    """安全计算工具，仅支持基本数学运算"""
    try:
        # 只允许数字和基本运算符，防止代码注入
        allowed = set("0123456789+-*/.() ")
        if not all(c in allowed for c in expression):
            return "错误：表达式包含非法字符"
        result = eval(expression)
        return str(result)
    except Exception as e:
        return f"计算错误：{str(e)}"

# 工具注册表
TOOLS = {
    "search": search,
    "calculate": calculate
}

3.2 构建 ReAct Prompt 模板

REACT_PROMPT = """你是一个智能助手，可以访问以下工具：

{tools_description}

请使用以下格式回答问题：

Question: 用户的问题
Thought: 你需要分析当前情况，判断是否需要使用工具
Action: 工具名称（可选：{tool_names}）
Action Input: 工具输入参数